MiniMax M1 80K er MiniMax' udgave med længere ræsonnement af tekstræsonnementsmodellen M1. Familien bruger en hybrid mixture-of-experts-arkitektur med lightning attention, afledt af MiniMax Text-01. Producenten beskriver træning på tværs af matematiske ræsonnementsopgaver og softwareudvikling og udgiver særskilte udgaver med ræsonnementsbudgetter på 40K og 80K.
Producenten beskriver indbygget understøttelse af en kontekst på en million tokens. Udgavenavnet 80K henviser til ræsonnementsbudgettet, som er en anden størrelse end inputkonteksten eller det endelige svar, brugeren ser. Grænsefladen til en hostet opgave kan have sine egne mindre arbejdsgrænser, så planlæg anmodningen ud fra den valgte profil.
Ved en længere kildesamling skal du mærke dokumenterne og angive det spørgsmål, de skal besvare. Bed om en konklusion knyttet til de relevante passager. Til kode skal du identificere den adfærd, der skal ændres, det berørte område og de kontroller, der fastslår resultatet.
Producenten giver særskilt vejledning til almindelig assistance, webudvikling og matematik. De generelle eksempler omfatter opsummering, oversættelse, spørgsmål og kreativ skrivning. En nyttig prompt definerer målgruppe, kildemateriale og slutprodukt, så svaret holder fokus på opgaven.
Til webudvikling anbefaler producenten et komplet, kørbart HTML-produkt i én kodeblok med HTML og JavaScript samlet og beder om, at koden kontrolleres efter generering. Beskriv de kontrolelementer, data og tilstande, siden skal understøtte. Modellen producerer koden; applikationen gemmer og kører den for at inspicere den renderede adfærd.
Til matematik beder vejledningen om en trinvis løsning og et tydeligt slutresultat. Lever alle betingelserne, og definer det resultat, der skal fastslås. Bevar den foreslåede løsning sammen med det oprindelige problem, så argumentet kan undersøges uafhængigt af formuleringen.
Producenten angiver funktionskald: modellen kan identificere en funktion, der skal bruges, og levere parametre i struktureret form. En omgivende applikation leverer de tilgængelige funktioner, udfører kaldet og returnerer observationen. Værktøjsadgang og den eksterne handling afhænger derfor både af den konfigurerede applikation og modellens valg.
Giv hvert værktøj et klart formål, og skeln mellem dets returnerede observation og brugerens instruktion. Et senere svar kan derefter bruge det observerede resultat som dokumentation. M1-tekstmodellens værktøjsunderstøttelse gør ikke de særskilte medietjenester, der beskrives andre steder i producentens økosystem, til en del af dens egen outputfamilie.
Producenten anbefaler temperature 1.0 og top_p 0.95 som inferensindstillinger. Familiebeskrivelsen angiver 456 milliarder parametre i alt og 45,9 milliarder aktive parametre pr. token. Hold udgaven med 80K adskilt fra udgaven med 40K, når du registrerer en sammenligning, og brug den faktiske grænseflades understøttede indstillinger og arbejdsgrænser til en bestemt anmodning.
", "aboutText": "MiniMax M1 80K er MiniMax' udgave med længere ræsonnement af tekstræsonnementsmodellen M1. Familien bruger en hybrid mixture-of-experts-arkitektur med lightning attention, afledt af MiniMax Text-01. Producenten beskriver træning på tværs af matematiske ræsonnementsopgaver og softwareudvikling og udgiver særskilte udgaver med ræsonnementsbudgetter på 40K og 80K.\n\n### Forbered langt materiale omkring et klart resultat\n\nProducenten beskriver indbygget understøttelse af en kontekst på en million tokens. Udgavenavnet 80K henviser til ræsonnementsbudgettet, som er en anden størrelse end inputkonteksten eller det endelige svar, brugeren ser. Grænsefladen til en hostet opgave kan have sine egne mindre arbejdsgrænser, så planlæg anmodningen ud fra den valgte profil.\n\nVed en længere kildesamling skal du mærke dokumenterne og angive det spørgsmål, de skal besvare. Bed om en konklusion knyttet til de relevante passager. Til kode skal du identificere den adfærd, der skal ændres, det berørte område og de kontroller, der fastslår resultatet.\n\n### Brug den opgavespecifikke promptvejledning\n\nProducenten giver særskilt vejledning til almindelig assistance, webudvikling og matematik. De generelle eksempler omfatter opsummering, oversættelse, spørgsmål og kreativ skrivning. En nyttig prompt definerer målgruppe, kildemateriale og slutprodukt, så svaret holder fokus på opgaven.\n\nTil webudvikling anbefaler producenten et komplet, kørbart HTML-produkt i én kodeblok med HTML og JavaScript samlet og beder om, at koden kontrolleres efter generering. Beskriv de kontrolelementer, data og tilstande, siden skal understøtte. Modellen producerer koden; applikationen gemmer og kører den for at inspicere den renderede adfærd.\n\nTil matematik beder vejledningen om en trinvis løsning og et tydeligt slutresultat. Lever alle betingelserne, og definer det resultat, der skal fastslås. Bevar den foreslåede løsning sammen med det oprindelige problem, så argumentet kan undersøges uafhængigt af formuleringen.\n\n### Funktionskald og faktisk udførelse\n\nProducenten angiver funktionskald: modellen kan identificere en funktion, der skal bruges, og levere parametre i struktureret form. En omgivende applikation leverer de tilgængelige funktioner, udfører kaldet og returnerer observationen. Værktøjsadgang og den eksterne handling afhænger derfor både af den konfigurerede applikation og modellens valg.\n\nGiv hvert værktøj et klart formål, og skeln mellem dets returnerede observation og brugerens instruktion. Et senere svar kan derefter bruge det observerede resultat som dokumentation. M1-tekstmodellens værktøjsunderstøttelse gør ikke de særskilte medietjenester, der beskrives andre steder i producentens økosystem, til en del af dens egen outputfamilie.\n\n### Bevar udgaven og indstillingerne\n\nProducenten anbefaler temperature 1.0 og top_p 0.95 som inferensindstillinger. Familiebeskrivelsen angiver 456 milliarder parametre i alt og 45,9 milliarder aktive parametre pr. token. Hold udgaven med 80K adskilt fra udgaven med 40K, når du registrerer en sammenligning, og brug den faktiske grænseflades understøttede indstillinger og arbejdsgrænser til en bestemt anmodning.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K er en tekstræsonnementsmodel med åbne vægte til lange input, softwareopgaver og matematik. Producenten skelner mellem udgaven med et ræsonnementsbudget på 80K og udgaven med 40K og offentliggør opgavespecifik promptvejledning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax M1 80K er MiniMax' udgave med længere ræsonnement af tekstræsonnementsmodellen M1. Familien bruger en hybrid mixture-of-experts-arkitektur med lightning attention, afledt af MiniMax Text-01. Producenten beskriver træning på tværs af matematiske ræsonnementsopgaver og softwareudvikling og udgiver særskilte udgaver med ræsonnementsbudgetter på 40K og 80K.
Producenten beskriver indbygget understøttelse af en kontekst på en million tokens. Udgavenavnet 80K henviser til ræsonnementsbudgettet, som er en anden størrelse end inputkonteksten eller det endelige svar, brugeren ser. Grænsefladen til en hostet opgave kan have sine egne mindre arbejdsgrænser, så planlæg anmodningen ud fra den valgte profil.
Ved en længere kildesamling skal du mærke dokumenterne og angive det spørgsmål, de skal besvare. Bed om en konklusion knyttet til de relevante passager. Til kode skal du identificere den adfærd, der skal ændres, det berørte område og de kontroller, der fastslår resultatet.
Producenten giver særskilt vejledning til almindelig assistance, webudvikling og matematik. De generelle eksempler omfatter opsummering, oversættelse, spørgsmål og kreativ skrivning. En nyttig prompt definerer målgruppe, kildemateriale og slutprodukt, så svaret holder fokus på opgaven.
Til webudvikling anbefaler producenten et komplet, kørbart HTML-produkt i én kodeblok med HTML og JavaScript samlet og beder om, at koden kontrolleres efter generering. Beskriv de kontrolelementer, data og tilstande, siden skal understøtte. Modellen producerer koden; applikationen gemmer og kører den for at inspicere den renderede adfærd.
Til matematik beder vejledningen om en trinvis løsning og et tydeligt slutresultat. Lever alle betingelserne, og definer det resultat, der skal fastslås. Bevar den foreslåede løsning sammen med det oprindelige problem, så argumentet kan undersøges uafhængigt af formuleringen.
Producenten angiver funktionskald: modellen kan identificere en funktion, der skal bruges, og levere parametre i struktureret form. En omgivende applikation leverer de tilgængelige funktioner, udfører kaldet og returnerer observationen. Værktøjsadgang og den eksterne handling afhænger derfor både af den konfigurerede applikation og modellens valg.
Giv hvert værktøj et klart formål, og skeln mellem dets returnerede observation og brugerens instruktion. Et senere svar kan derefter bruge det observerede resultat som dokumentation. M1-tekstmodellens værktøjsunderstøttelse gør ikke de særskilte medietjenester, der beskrives andre steder i producentens økosystem, til en del af dens egen outputfamilie.
Producenten anbefaler temperature 1.0 og top_p 0.95 som inferensindstillinger. Familiebeskrivelsen angiver 456 milliarder parametre i alt og 45,9 milliarder aktive parametre pr. token. Hold udgaven med 80K adskilt fra udgaven med 40K, når du registrerer en sammenligning, og brug den faktiske grænseflades understøttede indstillinger og arbejdsgrænser til en bestemt anmodning.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MiniMaxAI/MiniMax-M1-80k | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00114 / 1K tokens Output · Outputtokens $0.00456 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "MiniMaxAI/MiniMax-M1-80k", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='MiniMaxAI/MiniMax-M1-80k',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='MiniMaxAI/MiniMax-M1-80k',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra MiniMaxAI/MiniMax-M1-80k
Brug metodestierne vist ovenfor.
MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K er en tekstræsonnementsmodel med åbne vægte til lange input, softwareopgaver og matematik. Producenten skelner mellem udgaven med et ræsonnementsbudget på 80K og udgaven med 40K og offentliggør opgavespecifik promptvejledning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax M1 80K er MiniMax' udgave med længere ræsonnement af tekstræsonnementsmodellen M1. Familien bruger en hybrid mixture-of-experts-arkitektur med lightning attention, afledt af MiniMax Text-01. Producenten beskriver træning på tværs af matematiske ræsonnementsopgaver og softwareudvikling og udgiver særskilte udgaver med ræsonnementsbudgetter på 40K og 80K.
Producenten beskriver indbygget understøttelse af en kontekst på en million tokens. Udgavenavnet 80K henviser til ræsonnementsbudgettet, som er en anden størrelse end inputkonteksten eller det endelige svar, brugeren ser. Grænsefladen til en hostet opgave kan have sine egne mindre arbejdsgrænser, så planlæg anmodningen ud fra den valgte profil.
Ved en længere kildesamling skal du mærke dokumenterne og angive det spørgsmål, de skal besvare. Bed om en konklusion knyttet til de relevante passager. Til kode skal du identificere den adfærd, der skal ændres, det berørte område og de kontroller, der fastslår resultatet.
Producenten giver særskilt vejledning til almindelig assistance, webudvikling og matematik. De generelle eksempler omfatter opsummering, oversættelse, spørgsmål og kreativ skrivning. En nyttig prompt definerer målgruppe, kildemateriale og slutprodukt, så svaret holder fokus på opgaven.
Til webudvikling anbefaler producenten et komplet, kørbart HTML-produkt i én kodeblok med HTML og JavaScript samlet og beder om, at koden kontrolleres efter generering. Beskriv de kontrolelementer, data og tilstande, siden skal understøtte. Modellen producerer koden; applikationen gemmer og kører den for at inspicere den renderede adfærd.
Til matematik beder vejledningen om en trinvis løsning og et tydeligt slutresultat. Lever alle betingelserne, og definer det resultat, der skal fastslås. Bevar den foreslåede løsning sammen med det oprindelige problem, så argumentet kan undersøges uafhængigt af formuleringen.
Producenten angiver funktionskald: modellen kan identificere en funktion, der skal bruges, og levere parametre i struktureret form. En omgivende applikation leverer de tilgængelige funktioner, udfører kaldet og returnerer observationen. Værktøjsadgang og den eksterne handling afhænger derfor både af den konfigurerede applikation og modellens valg.
Giv hvert værktøj et klart formål, og skeln mellem dets returnerede observation og brugerens instruktion. Et senere svar kan derefter bruge det observerede resultat som dokumentation. M1-tekstmodellens værktøjsunderstøttelse gør ikke de særskilte medietjenester, der beskrives andre steder i producentens økosystem, til en del af dens egen outputfamilie.
Producenten anbefaler temperature 1.0 og top_p 0.95 som inferensindstillinger. Familiebeskrivelsen angiver 456 milliarder parametre i alt og 45,9 milliarder aktive parametre pr. token. Hold udgaven med 80K adskilt fra udgaven med 40K, når du registrerer en sammenligning, og brug den faktiske grænseflades understøttede indstillinger og arbejdsgrænser til en bestemt anmodning.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MiniMaxAI/MiniMax-M1-80k | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00114 / 1K tokens Output · Outputtokens $0.00456 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "MiniMaxAI/MiniMax-M1-80k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMaxAI/MiniMax-M1-80k', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMaxAI/MiniMax-M1-80k', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra MiniMaxAI/MiniMax-M1-80k
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.